CN105223175A - 一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法 - Google Patents

Abstract

本发明公开了一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法，属于白酒鉴别技术领域。本发明首先使用荧光光谱仪测量不同年份浓香型白酒的三维荧光光谱图，获得三维荧光光谱数据。然后采用乘性迭代的非负矩阵分解方法对光谱数据矩阵进行分解，将得到的系数矩阵作为光谱矩阵的特征参量。然后将特征参量作为支持向量机的输入，用交叉验证方法寻找支持向量机的最佳参数，在最佳参数下，建立预测模型，实现对不同年份浓香型白酒的分类鉴别。该方法为年份酒的鉴别和发展技术提供了帮助。

Description

一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法

技术领域

一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法，此方法的特别之处在于运用乘性迭代的非负矩阵分解方法分解光谱数据矩阵，将得到的系数矩阵作为光谱的特征参量，结合支持向量机能较好地实现浓香型白酒年份的分类鉴别，属于白酒鉴别技术领域。

背景技术

年份酒最初在国外流行甚广，主要是用于葡萄酒，威士忌、白兰地等白酒中。关于白酒年份酒尚无具体的标准，目前，较为流行的是将若干种年份酒按比例混合后得到，将其加权年份作为该白酒年份酒的年份。为了白酒市场的健康发展，保证年份酒的安全可靠和质量，提高企业年份酒的诚信度，保护消费者利益，研发有效的方法年份酒的鉴别方法显得尤为重要。

由于不同年份成品酒的理化指标和香味成分基本相似，对年份酒的鉴别一直以来都是科学界的难题。我国，对白酒年龄的鉴定还处于初级阶段，尚不成熟。目前使用的检测方法主要有利用原子吸收光谱仪测定酒体中的金属元素含量来鉴定白酒年份酒；利用紫外光谱仪测定酒样的光吸收度值来鉴别年份酒以及通过测量白酒的挥发系数来确定白酒的年份等。以上这些方法大多受不可控制因素的制约，因此测量的稳定性受到影响。荧光光谱技术具有荧光光谱法具有操作简单，所需样品少，分析速度快，成本低等优点，在酒的检测方面具有一定优势。

非负矩阵分解(NMF)算法最初是Lee和Seung1999年在《Nature》杂志上首次提出的一种处理大规模数据的有效方法，该方法被广泛应用于文本处理，计算机视觉，图像处理和模式识别等领域。与主成分分析相比，非负矩阵分解后的基矩阵不需要正交，也不需要求解满足方差最大原则。为保证非负分解，在非负矩阵算法前不需要做中心化等预处理，方法更为简单。另外，非负矩阵分解得到的矩阵元素均为非负，所得数据更加具有实际意义，更能充分解释实际原因，用非负矩阵分解方法对荧光光谱数据进行分析，能得到较好的效果。

鉴于此，为了监督白酒生产质量，维护白酒市场秩序，保护消费者的权益，发明一种快速准确的白酒年份的鉴别方法，势在必行。

发明内容

本发明需要解决的技术问题，是提供一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法，本发明使用荧光光谱仪建立不同年份浓香型白酒的三维荧光光谱指纹图，然后使用荧光光谱技术分析不同品牌浓香型白酒酒样，通过软件导出三维数据，获得不同年份浓香型白酒的三维荧光光谱数据。将得到的光谱数据按列展开，运用乘性迭代的非负矩阵分解方法对得到的光谱数据分解。然后将分解后得到的系数矩阵作为荧光光谱的特征参量，结合支持向量机，建立不同年份的浓香型白酒的分类鉴别模型。本发明是一种新的白酒质量控制技术，操作简便，样品用量少，检测灵敏度高，结果直观可靠，环保无污染，该方法为年份酒的鉴别和发展技术提供了帮助。

本发明的技术方案：一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法，该方法包括如下步骤：

(1)使用荧光光谱仪FLS920测量某品牌浓香型白酒的三个原始年份以及加权年份的三维荧光光谱，建立三个原始年份以及三个加权年份的浓香型白酒的三维荧光光谱图库：

扫描条件:氙灯光源80w；探测温度-20度；激发波长范围：215-500nm，步长5nm；发射波长范围：210-650nm，步长2nm；

(2)应用乘性迭代的非负矩阵分解方法对光谱数据矩阵分解；

(3)结合支持向量机，建立不同年份浓香型白酒的分类鉴别模型：

a、用交叉验证中的K-CV方法对支持向量机的参数寻优；

b、在最佳参数下，建立不同年份浓香型白酒的预测模型。

所述步骤(1)中，所述加权年份具体公式为：

Y＝10a+20b+30c，(1)

其中Y表示加权年份，a，b，c分别表示10年，20年，30年白酒的百分比。

所述步骤2)中，所述非负矩阵的分解公式为：

Χ＝WH(2)

其中Χ为n×m维的光谱数据矩阵，W(n×r)和H(n×r)分别为分解后的基矩阵和系数矩阵，其中r为组分数，大小满足(n+m)r＜＜nm；

对(1)式优化，选择Frobenius范数作为目标函数：

$\underset{W,H\≥0}{\min }f(W,H)=\frac{1}{2}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{(X_{ij}-{\left(WH\right)}_{ij})}^2---\left(3\right)$

乘性迭代算法遵循的迭代规则为：

$H\←H\frac{W^{T}X}{W^{T}WH},---\left(4\right)$

$W\←W\frac{{\mathrm{AH}}^T}{{\mathrm{WHH}}^T}.---\left(5\right)$

所述步骤(3)中，所述支持向量机的核函数为径向基函数，具体表达式为：

K(X_i,X_j)＝exp(-g‖X_i-X_j‖)²，(6)

其中g＝1/2σ²，σ为一自由参数。

本发明的有益效果：本发明使用荧光光谱技术分析不同年份的浓香型白酒酒样，通过软件导出三维数据，获得不同酒样的三维荧光光谱数据。将光谱数据按列展开后，运用乘性迭代的非负矩阵分解方法进行分解。将分解后得到的系数矩阵作为特征参量，结合支持向量机建立不同年份浓香型白酒的分类鉴别模型。本发明是一种新的白酒质量控制技术，操作简便，样品用量少，检测灵敏度高，结果直观可靠，环保无污染。

附图说明

图1为10年，20年，30年以及加权年份为15年，20年，25年的浓香型白酒的三维荧光光谱等高图。

图2为应用非负矩阵对光谱数据分解后得到的解析图。

图3为支持向量机参数寻优过程的等高线图。

图4为基于非负矩阵分解方法，结合支持向量机建立的模型预测得到的预测集的实际样本和预测分类图。

图5为本发明的流程框图。

具体实施方式

实施案例：某品牌浓香型白酒年份的分类鉴别。

(1)使用荧光光谱仪FLS920测量某品牌浓香型白酒的三个原始年份以及加权年的三维荧光光谱：

a、样品准备：采集某品牌的浓香型白酒的10年，20年，30年的原酒，将三个年份的原酒按不同比例混合，将年份和对应的百分比相乘后相加，得到的结果作为加权年份。具体公式为：

Y＝10a+20b+30c，(1)

其中Y表示加权年份，a，b，c分别表示10年，20年，30年白酒的百分比。

选择加权年份为15年，20年和25年白酒样本分别为10个，16个，11个，共40个样本。

b、扫描条件:氙灯光源80w；探测温度-20度；激发波长范围：215-500nm，步长5nm；发射波长范围：210-650nm，步长2nm；

测量得到的三个原始年份以及三个加权年份的浓香型白酒的三维荧光光谱图如图1所示。

(2)应用乘性迭代的非负矩阵分解方法对光谱数据矩阵分解：

设Χ为n×m维的光谱数据矩阵，Χ矩阵中的所有元素均为非负，在非负的约束条件下，通过寻找矩阵W(n×r)和H(n×r)使其满足以下方程

Χ＝WH(2)

其中W和H分别称为基矩阵和系数矩阵，r为组分数，r的取值一般根据经验选取，大小满足(n+m)r＜＜nm。

对(1)式的求解可看成是优化的过程，选择Frobenius范数作为目标函数：

$\underset{W,H\≥0}{\min }f(W,H)=\frac{1}{2}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{(X_{ij}-{\left(WH\right)}_{ij})}^2---\left(3\right)$

运用乘性迭代算法不断更新W和H，是目标函数最小。乘性迭代遵循的迭代规则为：

$H\←H\frac{W^{T}X}{W^{T}WH},---\left(4\right)$

$W\←W\frac{{\mathrm{AH}}^T}{{\mathrm{WHH}}^T},---\left(5\right)$

由于得到的荧光光谱数据中元素均为非负，直接对光谱矩阵进行非负分解。首先，将得到的三维光谱矩阵(58×213×37)按列展开成二维数据矩阵Χ((58×213)×37)，采用乘性迭代的方法进行非负矩阵分解，组分数设为4。分解后得到基矩阵W((58×213)×4)和系数矩阵H(4×37)，基矩阵包含了不同年份白酒荧光光谱特性。将基矩阵由二维还原成三维后做出光谱图，如图2所示。

由图可以看出，分解得到的光谱图均能与原酒的光谱图相对应，其中，b，d分别与30，10年的白酒荧光光谱特性相似，而a，c与20年的白酒荧光光谱特性相似。

(4)将系数矩阵H作为特征参量，结合支持向量机，建立不同加权年份白酒的分类鉴别模型：

对于加权后的三个年份的浓香型白酒，从15年，20年，25年中分别随机选取7个样本，11个样本，7个样本，共25个样本作为训练集。其余的作为预测集。对训练集和预测集的数据进行[0,1]区间的归一化预处理。采用径向基函数作为支持向量机的核函数，具体表达式为：

K(X_i,X_j)＝exp(-g‖X_i-X_j‖)²,(6)

其中g＝1/2σ²，σ为一自由参数。

a、用交叉验证中的K-CV方法对支持向量机的参数寻优：

为了得到比较理想的分类准确率，需要调节相关的惩罚参数c和核函数参数g。选择K-CV的方法对参数寻优，将训练集的25个样品分为5组，将每一组中的数据分别做一次验证集，其余的4组数据作为训练集，这样就得到5个模型的最终的验证集分类准确率，求其平均，作为模型的准确率。设定c和γ的变化范围分别为2^(-5)～2^(15)2^(-10)～2^(8)和，步长为1，如图3表示的是参数在寻优过程中的等高图。

b、在最佳参数下，建立不同品牌浓香型白酒的预测模型：

利用寻优得到的最佳参数再对SVM进行训练，得到在最佳参数下的训练集的准确率，结果如表1所示。从表1中可以看出将NMF分解得到的系数矩阵作为特征矩阵，结合支持向量机得到的模型准确率为100％，而预测样本全部判别正确，预测集准确率为100％。

表1SVM模型最佳参数及准确率

综上所述，本发明通过测量某品牌不同年份浓香型白酒的三维荧光光谱，并运用乘性迭代的非负矩阵分解算法对光谱矩阵分解，将得到的系数矩阵作为特征参量。以此作为基础，结合支持向量机，采用交叉验证中的K-CV法对支持向量机的参数进行优化，选择最佳参数，最终较好的实现了三个不同年份浓香型白酒的分类，准确率为100％，年份酒的鉴别和发展技术提供了帮助。

Claims (4)

1.一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法，其特征在于：该方法包括如下步骤：

(1)使用荧光光谱仪FLS920测量某品牌浓香型白酒的三个原始年份以及加权年份的三维荧光光谱，建立三个原始年份以及三个加权年份的浓香型白酒的三维荧光光谱图库：

扫描条件:氙灯光源80w；探测温度-20度；激发波长范围：215-500nm，步长5nm；发射波长范围：210-650nm，步长2nm；

(2)应用乘性迭代的非负矩阵分解方法对光谱数据矩阵分解；

(3)结合支持向量机，建立不同年份浓香型白酒的分类鉴别模型：

a、用交叉验证中的K-CV方法对支持向量机的参数寻优；

b、在最佳参数下，建立不同年份浓香型白酒的预测模型。

2.根据权利要求1所述的一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法，其特征在于：所述步骤(1)中，所述加权年份具体公式为：

Y＝10a+20b+30c，(1)

其中Y表示加权年份，a，b，c分别表示10年，20年，30年白酒的百分比。

3.根据权利要求1所述的一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法，其特征在于：所述步骤(2)中，所述非负矩阵的分解公式为：

Χ＝WH(2)

其中Χ为n×m维的光谱数据矩阵，W(n×r)和H(n×r)分别为分解后的基矩阵和系数矩阵，其中r为组分数，大小满足(n+m)r＜＜nm；

对(1)式优化，选择Frobenius范数作为目标函数：

乘性迭代算法遵循的迭代规则为：

。

4.根据权利要求1所述的一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法，其特征在于：所述步骤(3)中，所述支持向量机的核函数为径向基函数，具体表达式为：

K(X_i,X_j)＝exp(-g||X_i-X_j||)²，(6)

其中g＝1/2σ²，σ为一自由参数。